可逆表格GAN：一石二鸟解决表格数据合成

表格数据合成在文献中受到广泛关注。这是因为可用数据往往有限、不完整或不易获取，且数据隐私日益重要。在这项工作中，我们提出一个用于表格合成的通用GAN框架，它结合了GAN的对抗训练与可逆神经网络的负对数密度正则化。所提框架可用于两个不同目标。首先，我们可以通过在对抗训练过程中降低真实记录的负对数密度，进一步提高合成质量。另一方面，通过增加真实记录的负对数密度，可以合成逼真的虚假记录，使其不至于过于接近真实记录，从而降低潜在信息泄露的风险。我们使用真实世界数据集进行分类、回归和隐私攻击实验。总体而言，所提方法在对抗训练期间降低负对数密度时，展现出最佳的合成质量（就任务导向评估指标如F1而言）。如果增加负对数密度，我们的实验结果表明真实与虚假记录之间的距离增大，增强了对隐私攻击的鲁棒性。